> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.

> Weights & Biases でデータセットアーティファクトを作成、トラッキングし、使用します。

# チュートリアル: データセットアーティファクトを作成、トラッキングし、使用する

このウォークスルーでは、データセットアーティファクトを作成、トラッキングし、使用する方法を説明します。

<h2 id="1-log-into-weights-biases">
  1. Weights & Biases にログインする
</h2>

W\&B ライブラリをインポートし、Weights & Biases にログインします。まだサインアップしていない場合は、無料の Weights & Biases アカウントにサインアップする必要があります。

```python theme={"system"}
import wandb

wandb.login()
```

<h2 id="2-initialize-a-run">
  2. run を初期化する
</h2>

[`wandb.init()`](/ja/products/wandb/ref/python/functions/init) を使用して run を初期化します。これにより、データを同期し、ログするためのバックグラウンドプロセスが生成されます。プロジェクト名とジョブタイプを指定します：

```python theme={"system"}
# W&B run を作成します。ここではジョブタイプとして 'dataset' を指定します。この例では
# データセット アーティファクトの作成方法を示しているためです。
with wandb.init(project="artifacts-example", job_type="upload-dataset") as run:
    # ここにコードを記述します
```

<h2 id="3-create-an-artifact-object">
  3. アーティファクト オブジェクトを作成する
</h2>

[`wandb.Artifact()`](/ja/products/wandb/ref/python/experiments/artifact) を使用してアーティファクト オブジェクトを作成します。`name` パラメーターと `type` パラメーターに、それぞれアーティファクトの名前とファイルタイプの説明を指定してください。

例えば、次のスニペットは `‘bicycle-dataset’` というアーティファクトを `‘dataset’` というラベルで作成する方法を示しています：

```python theme={"system"}
artifact = wandb.Artifact(name="bicycle-dataset", type="dataset")
```

アーティファクトの構築方法の詳細については、[アーティファクトを構築する](/ja/products/wandb/artifacts/construct-an-artifact) を参照してください。

<h2 id="4-add-the-dataset-to-the-artifact">
  4. データセットをアーティファクトに追加する
</h2>

アーティファクトにファイルを追加します。一般的なファイルタイプにはモデルとデータセットが含まれます。次の例では、ローカルに保存されている `dataset.h5` という名前のデータセットをアーティファクトに追加します:

```python theme={"system"}
# アーティファクトの内容にファイルを追加します
artifact.add_file(local_path="dataset.h5")
```

前のコードスニペットの `dataset.h5` というファイル名を、アーティファクトに追加したいファイルのパスに置き換えてください。

<h2 id="5-log-the-dataset">
  5. データセットをログする
</h2>

W\&B の Run オブジェクトの `wandb.Run.log_artifact()` メソッドを使用して、アーティファクトのバージョンを保存し、[run の出力](/ja/products/wandb/artifacts/explore-and-traverse-an-artifact-graph) としてアーティファクトを宣言します。

```python theme={"system"}
# アーティファクトのバージョンを W&B に保存し、
# この run の出力としてマークします
run.log_artifact(artifact)
```

`'latest'` [エイリアス](/ja/products/wandb/artifacts/create-a-custom-alias) は、アーティファクトをログするときにデフォルトで作成されます。アーティファクトのエイリアスとバージョンに関する詳細は、それぞれ [カスタムエイリアスを作成する](/ja/products/wandb/artifacts/create-a-custom-alias) と [新しいアーティファクトのバージョンを作成する](/ja/products/wandb/artifacts/create-a-new-artifact-version) を参照してください。

これらをまとめると、これまでのスクリプトは次のようになります：

```python theme={"system"}
import wandb

wandb.login()

with wandb.init(project="artifacts-example", job_type="upload-dataset") as run:
    artifact = wandb.Artifact(name="bicycle-dataset", type="dataset")
    artifact.add_file(local_path="dataset.h5")
    run.log_artifact(artifact)
```

<h2 id="6-download-and-use-the-artifact">
  6. アーティファクトをダウンロードして使用する
</h2>

以下のコード例は、Weights & Biases サーバーにログして保存したアーティファクトを使用するために実行できる手順を示しています。

1. まず、**`wandb.init()`** を使用して新しい run オブジェクトを初期化します。
2. 次に、run オブジェクトの [`wandb.Run.use_artifact()`](/ja/products/wandb/ref/python/experiments/run#use_artifact) メソッドを使用して、使用するアーティファクトを Weights & Biases に指示します。これによりアーティファクト オブジェクトが返されます。
3. 最後に、アーティファクトの [`wandb.Artifact.download()`](/ja/products/wandb/ref/python/experiments/artifact#download) メソッドを使用して、アーティファクトの内容をダウンロードします。

```python theme={"system"}
# W&B run を作成します。ここでは 'type' に 'training' を指定します
# これはこの run でトレーニングをトラッキングするためです。
with wandb.init(project="artifacts-example", job_type="training") as run:

  # W&B からアーティファクトをクエリし、この run の入力としてマークします
  artifact = run.use_artifact("bicycle-dataset:latest")

  # アーティファクトの内容をダウンロードします
  artifact_dir = artifact.download()
```

あるいは、Public API (`wandb.Api`) を使用して、run の外部で Weights & Biases にすでに保存されているデータをエクスポート (または更新) することもできます。詳細については、[外部ファイルをトラッキングする](/ja/products/wandb/artifacts/track-external-files) を参照してください。